Modelos de volatilidad condicional ARCH y GARCH

Econometría Financiera
Clase 2. Modelos de volatilidad condicional
Nerys Ramírez Mordán
Instituto Tecnologico de Santo Domingo (INTEC)
26 mayo de 2022
Clase 2 Econometría Financiera 26 mayo de 2022 1 / 78

Tabla de contenido
1 Persistencia en volatilidad
2 Modelos de volatilidad condicional
3 Comparando estrategias
4 GARCH asimétricos
5 GARCH no gaussianos
6 Validación del modelo
7 Forecast volatilidades
8 Referencias

Introducción
Section 1
Introducción

Introducción
Introducción
Hasta ahora, hemos tratado la autocorrelación de las series a partir de

la especificación de un modelo ARIMA (1976), cuya innovación sería
un proceso ruido blanco, con varianza constante en el tiempo
(Novales, 2016).
No obstante, aparte de esta autocorrelación, se puede producir
dependencia temporal en segundos momentos como la varianza, al
observarse heterocedásticidad. Por lo que, es preciso modelizar la
evolución de la varianza.

Introducción
La varianza como medida de riesgo
Según Bahi (2007), la volatilidad es una medida de la intensidad de

los cambios aleatorios impredecibles.
Según Hull (2009, p.274), la varianza es una medida de nuestra
incertidumbre sobre una serie, y se define a partir de la desviación
estándar.
Esta volatilidad se estima a partir de datos históricos, donde
yt = ln Pt − ln Pt−1 :
N N

N
!2 
1 X 1 X 1 X
σ2 = (yi − ȳ )2 = yi2 − yi 
n − 1 i=1 n − 1 i=1 n i=1

Introducción

La clásica visión de la volatilidad como una mera constante de la
función de distribución de los rendimientos de ‘una serie de tiempo’
quedó obsoleta hace ya mucho tiempo (Bahi, 2007).
En la gestión de riesgo, que pretende minimizar los efectos adversos
derivados de la incertidumbre asociada a ciertos eventos, no podemos
suponer que los activos se comporte de forma constante en el tiempo
(Díaz, 2014).
0.014
8.6
0.04
0.012
8.4
0.02
0.010
diff(x)
vol_x
x
8.2
0.00
0.008
8.0
−0.02
0.006
7.8
−0.04
1992 1994 1996 1998 1992 1994 1996 1998 1992 1994 1996 1998
Introducción
La varianza computa como riesgo cambios de nivel o efectos

estadisticos como la tendencia o ciclos.
La volatilidad presenta cluster y persistencia.
La volatilidad presenta efectos asimétricos.
Se calcula sobre datos históricos y no sobre datos futuros.
Todas las observaciones pesan iguales.

Efecto ARCH
Section 2
Efecto ARCH

Efecto ARCH
Análisis preliminar
Ahora la idea es, cuando yt carece de autocorrelación:
yt = t σt2
q
X q
X
σt2 = ω + 2
αi yt−i , ω > 0, αi > 0, αi < 1
i=1 i=1
- Si yt presenta alguna estructura, de otras variables o su pasado, la

varianza se obtiene a partir del residuo de ese modelo.
Ahora la σt2 depende del tiempo.

Efecto ARCH
El primer paso es siempre estudiar las características de las series,

dado que los momentos solo están definidos sobre series estacionarias.
Características de series económicas y financieras de alta frecuencia
(Novales, 2013; Ruíz, 1994):
– Ausencia de estructura regular dinámica en la media.

– Exceso de curtosis y simétricas.
– Agrupamientos de volatilidad.
– Persistencia en volatilidad.
– Apalancamiento en volatilidad.

Efecto ARCH
La inspección visual de la serie, muestra claramente que esta no se

comportan I(0). Por tanto, se procede a diferenciar el log de la serie,
para intentar obtener una representación estacionaria de la misma.
# Códigos bases continuan de la clase 1

ggarrange(a, b, ncol = 1, nrow = 2)
xt
1500
precio
1000
500
1995 2000 2005 2010 2015
fecha
dif(xt)
50
0
.
−50
−100
−150
1995 2000 2005 2010 2015
Index

Efecto ARCH
Transformación logarítmica
Transformación logarítmica para estabilizar la varianza.
# Códigos bases continuan de la clase 1

ggarrange(a, b, c, d, ncol = 2, nrow = 2)
xt dif(xt)
50
1500
precio
.
1000 −50
500 −100
−150
1995 2000 2005 2010 2015 1995 2000 2005 2010 2015
fecha Index
log(xt) Dif(log(xt))
7.5
log(precio)
0.05
7.0
0.00
6.5
.
6.0 −0.05
5.5 −0.10
1995 2000 2005 2010 2015 1995 2000 2005 2010 2015
fecha Index

Efecto ARCH
Persistencia de la volatilidad
La representación yt2 :
diff(log(xts_precio), differences=1)^2 %>%

autoplot() +
theme_minimal()
0.0100
0.0075
.
0.0050
0.0025
0.0000
1995 2000 2005 2010 2015
Index

Efecto ARCH
Un histograma de frecuencia sobre la primera diferencia de las
rentabilidades al cuadrado, brinda usualmente una primera
aproximación de la persistencia en volatilidad.
g1 <- data.frame(roro) %>%
ggplot(aes(x=roro)) + geom_histogram(fill="steelblue")
g2 <- data.frame(roro) %>%

ggplot(aes(x=roro^2)) + geom_histogram(fill="steelblue")
ggarrange(g1, g2, ncol = 2, nrow = 1)
2500
2000
4000
1500
count
count
1000
2000
500
0 0
Efecto ARCH
Taylor (1982) demostró que el test ARMA sobre yt2 , es equivalente a
identificar la estructura ARCH. Por lo que, la presencia de clusters de
volatilidad o dependencia de orden no lineal en yt , puede testearse
por medio de los correlogramas de yt2 .
roro2 <- roro^2
library(astsa)
acf2(roro2, plot=T, main=" ")
−0.05 0.25
ACF
0 20 40 60 80
LAG
−0.05 0.25
PACF
0 20 40 60 80
LAG
Efecto ARCH
ARCH Engle’s Test For Residual Heteroscedasticity
Engle (1982) propuso un test de estructura ARCH(q) a partir de la

estructura autoregresiva del cuadrado de las innovaciones de un
modelo AR(q) (2 ):
yt = β0 + β1 Xt−q + t
Donde, la varianza del error depende del término de error cuadrado

retrasado un período t ∼ N(0, β0 + β1 2t ).
Ho : ρ1 = ρ2 = ... = ρm = 0.

Efecto ARCH
Ho : ρ1 = ρ2 = ... = ρm = 0
Box.test(roro^2, lag = 12, type = "Ljung")
##
## Box-Ljung test
##
## data: roro^2
## X-squared = 966.43, df = 12, p-value < 2.2e-16
FinTS::ArchTest(roro^2, lags=1, demean=TRUE)
##
## ARCH LM-test; Null hypothesis: no ARCH effects
##
## data: roro^2
## Chi-squared = 11.714, df = 1, p-value = 0.0006204

Efecto ARCH
library(tseries)
mod1<-arima(roro,order = c(1,0,0))
e<-mod1$residuals^2
library(forecast)
ggtsdisplay(e, main="")
0.0100
0.0075
0.0050
0.0025
0.0000
0 1000 2000 3000 4000 5000 6000
0.15 0.15
PACF
0.10 0.10
ACF
0.05 0.05
0.00 0.00
0 10 20 30 0 10 20 30
Lag Lag

Efecto ARCH
# FinTS::ArchTest
archtest <- aTSA::arch.test(mod1, output = F)
archtest
## order PQ p.value LM p.value

## [1,] 4 420.6793 0 8873.183 0
## [2,] 8 737.2578 0 3870.418 0
## [3,] 12 959.0246 0 2461.751 0
## [4,] 16 1182.0183 0 1760.872 0
## [5,] 20 1455.6165 0 1357.784 0
## [6,] 24 1753.1410 0 1093.151 0

Efecto ARCH
Agregación de volatilidad
Dependiendo de la frecuencia de los datos, obtendremos medidas de
volatilidad en esas mismas frecuencias, sin embargo, es frecuente
utilizar la volatilidad anual para presentar
√ una medida de la volatilidad
de un activo/serie, multiplicado por t:
√
σano = σdia 252
sqrt(252)*sd(roro)
## [1] 0.1573411
# Usando la indexación date de la clase 1

roro_xts <- diff(xts_precio, differences=1)
sqrt(252) * sd(roro_xts["2010"]) #xts permite indexar series temporales
## [1] 197.9166
Modelos de volatildiad condicional
Section 3

Ventanas de volatilidad
(Rolling volatility estimation) rota las observaciones, agregando la

más reciente y eliminando la más distante, para calcular la volatilidad
sobre sobre esta ventana.
T
1 X
σt2 = e2
T i=1 t−i

apply es una familia de funciones vectorizadas en R, para trabajar

loops.
rollapply en R.
vol_vm_oro <- rollapply(roro, width=66, FUN=sd)

plot(vol_vm_oro)
vol_vm_oro 1991−04−05 / 2014−09−09
0.025 0.025
0.020 0.020
0.015 0.015
0.010 0.010
0.005 0.005
abr. 05 1991 ene. 03 1994 ene. 01 1997 ene. 03 2000 ene. 01 2003 ene. 02 2006 ene. 01 2009 ene. 02 2012 sep. 09 2014

library(PerformanceAnalytics)
chart.RollingPerformance(R = roro,
width = 22, #ventana
scale = 252,
FUN = "sd.annualized")
Rolling 22−day sd.annualized 1991−04−05 / 2014−09−09

0.5
0.4
0.3
0.2
0.1
abr. 05 1991 ene. 03 1994 ene. 01 1997 ene. 03 2000 ene. 01 2003 ene. 02 2006 ene. 01 2009 ene. 02 2012 sep. 09 2014

Ventanas de volatilidad: n?
par(mfrow = c(1, 3))

chart.RollingPerformance(R = roro, width = 5, scale = 252, FUN = "sd.annual
chart.RollingPerformance(R = roro, width = 22, scale = 252, FUN = "sd.annua
chart.RollingPerformance(R = roro, width = 66, scale = 252, FUN = "sd.annua
Rolling 5−day sd.annualized

1991−04−05 / 2014−09−09 Rolling 22−day sd.annualized
1991−04−05 / 2014−09−09 Rolling 66−day sd.annualized
1991−04−05 / 2014−09−09
0.5 0.4
0.6 0.4
0.3
0.3
0.4
0.2
0.2
0.2 0.1
0.1
abr. 05 1991 ene. 01 2001 ene. 01 2010 abr. 05 1991 ene. 01 2001 ene. 01 2010 abr. 05 1991 ene. 01 2001 ene. 01 2010

EWMA
La idea de considerar el peso de las observaciones según su posición

temporal, queda capturada en los métodos de suavizado exponencial,
al reponderar las observaciones para que las más reciente reciban
mayor peso.
T
X T
X
σn2 = 2
= αi en−1 , = αi = 1
i=1 i=1
Donde αi es la ponderación asociada a la observación de hace i

periodos, desde t. Siendo αi > αj siempre que i > j.

EWMA Risk metrics
Un método común, es usar potencias de un factor lambda

(0 < λ < 1), que estima las volatilidades diarias a partir de un
promedio ponderado de las volatilidades pasadas, que permite que las
observaciones vayan perdiendo importancia cuanto más se alejan en el
tiempo.
2
σt+1 = λσt2 + (1 − λ)yt2

EWMA en R
r_oro <- diff(log(ts_precios))
tobs <- length(r_oro)
varEWMA<- var(r_oro);
lambda<-0.94
for (i in 2:tobs) {varEWMA[i]<-lambda*varEWMA[i-1]+(1-lambda)*(roro[i-1]^2)
vol_ewma_oro <- sqrt(varEWMA)

plot(vol_ewma_oro, t=’l’)
0.025
vol_ewma_oro
0.015
0.005
0Clase 2 1000 2000 Econometría Financiera

3000 4000 26 mayo de 2022
5000 6000 28 / 78
EWMA
Un inconveniente del modelo ponderado es que no incluye una

constante, por lo que el modelo no proporciona un nivel de referencia
para la volatilidad a largo plazo, por lo que, su pronóstico sobre
volatilidad futura es la misma actual (Hurn et al., 2015).

ARCH
El ARCH (AutoRegressive Conditional Heteroskedastic, propuesto por

Engle en 1982) es un modelo discreto, que condiciona la varianza en t
como función de la información en t − 1.
var (yt |Ωt−1 ) = σt2
Siendo la especificación general del modelo ARCH(p):
p
X
σt2 = α1 yt−1
2 2
+ α2 yt−2 2
+ ... + αp yt−p = 2
αi yt−i
i=1

ARCH: estimación en R
T
X
σt2 = ω + 2
αi et−i
i=1
library(fGarch)
fit_arch <- garchFit(~garch(1, 0), trace=FALSE, data = r_oro)
fit_arch@fit$matcoef
## Estimate Std. Error t value Pr(>|t|)

## mu 0.0002559829 1.200298e-04 2.132662 0.03295247
## omega 0.0000805841 1.723464e-06 46.757058 0.00000000
## alpha1 0.1703803270 1.651280e-02 10.318075 0.00000000

ARCH
– Ventana móvil (et2 = yt − y¯t ):
T
1 X
σt2 = e2
T i=1 t−i
– Exponencial:
T
X
σt2 = 2
αi et−i
i=1
– ARCH(p):
T
X
σt2 =ω+ 2
αi et−i
i=1

GARCH(p,q) constante en media

En muchos casos, la especiócación ARCH que recoge la estructura de
autocorrelación en varianza precisa de un elevado número de
parámetros (Novales, 2014, p.13).
Ecuaciones del modelo GARCH (generalized autoregressive
conditional heteroskedasticity, propuesto por Bollerslev en 1986):
yt = µ + et
et ∼ N(0, σt2 )
q
X p
X
σt2 =ω+ 2
αi et−i + 2
βi σt−i
i=1 i=1

GARCH(p,q) constante en media
q
X p
X
σt2 = ω + 2
αi et−i + 2
βi σt−i
i=1 i=1
εi representa una secuencia i.i.d., generalmente distribuida como una

normal 0,1.
ω es la constante del modelo.
α es la sensibilidad de la volatilidad a las innovaciones en el nivel
medio de la serie en diferencia (ARCH).
β es la sensibilidad de la varianza condicional respecto a la varianza
condicional del periodo anterior (persistencia) GARCH.

GARCH(p,q) contraste
Varianza positiva:
ω > 0; α1 , ..., αq−1 ≥ 0; β1 , ..., βq−1 ≥ 0
Estacionario:
(α1 + ... + αq−1 ) + (β1 + ... + βq−1 ) < 1

GARCH: estimación
fit_garch <- garchFit(~garch(1, 1), trace=FALSE, data = r_oro)

fit_garch@fit$matcoef

## mu -5.352934e-06 8.845196e-05 -0.06051798 9.517431e-01
## omega 2.557172e-07 5.930895e-08 4.31161213 1.620686e-05
## alpha1 5.357227e-02 4.336750e-03 12.35309102 0.000000e+00
## beta1 9.470378e-01 3.990359e-03 237.33149449 0.000000e+00

GARCH: estimación
plot(fit_garch, which = 3)
Series with 2 Conditional SD Superimposed

0.05
0.00
x
−0.05
−0.10
0 1000 2000 3000 4000 5000 6000
Index

GARCH: volatilidad histórica
Serie de volatilidad a partir de un modelo GARCH:
volatility <- volatility(fit_garch, type = "sigma")
autoplot(ts(volatility))
0.03
ts(volatility)
0.02
0.01
0 1000 2000 3000 4000 5000 6000

Time

GARCH mean
Section 4
GARCH mean

GARCH mean
GARCH-mean
λ expresa el aumento en el rendimiento esperado por unidad de riesgo

de la varianza:
yt = µ + λσt2
et ∼ N(0, σt2 )
q
X p
X
σt2 =ω+ 2
αi et−i + 2
βi σt−i
i=1 i=1

GARCH mean
GARCH-mean
Utilizando el paquete rugarch en R:
# garchspec <- ugarchspec(mean.model = list(armaOrder = c(0,0)),

# variance.model = list(model = "gjrGARCH"),
# archm = TRUE, archpow = 2,
# distribution.model = "norm")

GARCH mean
ARMA-GARCH
En el caso de un ARMA(1,1)+GARCH(1,1) se obtendría la siguiente

representación:
yt = µ + ρt yt−1 + θ1 t−1
et ∼ N(0, σt2 )
q
X p
X
σt2 = ω + 2
αi et−i + 2
βi σt−i
i=1 i=1

GARCH mean
ARMA-GARCH: fGarch
fit2 <- garchFit(~arma(1,0)+garch(1, 1), trace=FALSE, data = r_oro)

#summary(fit2)
fit2@fit$matcoef

## mu -4.775217e-06 8.845724e-05 -0.05398334 9.569484e-01
## ar1 1.561567e-04 1.369185e-02 0.01140509 9.909003e-01
## omega 2.556928e-07 5.931592e-08 4.31069376 1.627432e-05
## alpha1 5.357252e-02 4.336858e-03 12.35284104 0.000000e+00
## beta1 9.470394e-01 3.990468e-03 237.32539532 0.000000e+00

GARCH mean
ARMA-GARCH: rugarch
library(rugarch)
garchspec <- ugarchspec(mean.model = list(armaOrder = c(0,0)),
variance.model = list(model = "sGARCH"),
distribution.model = "norm")
fit2_a <- ugarchfit(data = roro, spec = garchspec)

#print(fit2_a)
options("scipen"=100, "digits"=4)
show(fit2_a)
##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : sGARCH(1,1)
## Mean Model : ARFIMA(0,0,0)
## Distribution
Clase 2
: norm Econometría Financiera 26 mayo de 2022 44 / 78
Comparando estrategias
Section 5

models <- list()
models[[1]] <- garchFit(.~ garch(1, 0), trace=F, data=r_oro) # ARC

models[[2]] <- garchFit(.~ garch(1, 1), trace=F, data=r_oro) # GAR
models[[3]] <- garchFit(.~arma(1,0)+garch(1, 1), trace=F, data=r_oro) # ARM
# Representar los modelos en una tabla de regresion

library(stargazer)
stargazer(models, type="text", title="Estimaciones GARCH",
digits=3, out="table1.txt", report=(’vc*s’), single.row =
##
## Estimaciones GARCH
## =======================================================
## Dependent variable:
## -----------------------------------
## r_oro
## (1) (2) (3)
## -------------------------------------------------------
## mu Clase 2
0.0003** -0.00001
Econometría Financiera
-0.00000 26 mayo de 2022 46 / 78
Aqui se extrae el p-valor de cada modelo para posteriormente incluirlo
en la tabla de regresión.
get_pvals <- function(fm) {
fm@fit$matcoef[,4]
}
pvals <- lapply(models, get_pvals)
stargazer(models, type="text", title="Estimaciones GARCH", se = pvals,

digits=3, out="table1.txt", report=(’vc*s’), single.row =
##
## Estimaciones GARCH
## =======================================================
## -----------------------------------
## r_oro
## (1) (2) (3)
## -------------------------------------------------------
vol_arch_oro <- models[[1]]@sigma.t
vol_garch_oro <- models[[2]]@sigma.t
vol_data <- data.frame(vol_vm_oro,vol_ewma_oro,vol_arch_oro,vol_garch_oro)

mutate(date = as.Date(fechas[-1]))
vol_data %>% gather(id, value, -date) %>%

ggplot(aes(x = date, y = value)) +
geom_line(aes(color = id), size = 1)+
theme_minimal() + theme(legend.position="bottom")+
scale_color_brewer(palette="Dark2")
0.04
0.03
value
0.02
0.01
0.00
1995 2000 2005 2010 2015
date
vol_data %>%
gather(id, value, -date) %>%
dplyr::filter(id!="vol_arch_oro") %>%
ggplot(aes(x = date, y = value)) +
geom_line(aes(color = id), size = 1)+
theme_minimal() + theme(legend.position="bottom")
0.03
0.02
value
0.01
1995 2000 2005 2010 2015

date
id vol_ewma_oro vol_garch_oro vol_vm_oro

Comparando estrategias condicionada al contexto

La correlación brinda una idea sobre la asociación entre variables
(pero puede ser engañosa).
vol_data[,1:4] %>% na.omit() %>% cor()
## vol_vm_oro vol_ewma_oro vol_arch_oro vol_garch_oro

## vol_vm_oro 1.0000 0.9331 0.3643 0.9440
## vol_ewma_oro 0.9331 1.0000 0.4593 0.9992
## vol_arch_oro 0.3643 0.4593 1.0000 0.4506
## vol_garch_oro 0.9440 0.9992 0.4506 1.0000
Podemos extender el análisis condicionado al contexto, por ejemplo de alta

volatilidad:
alta_vol <- vol_data$vol_garch_oro >= mean(vol_data$vol_garch_oro)

vol_data[alta_vol,1:4] %>% na.omit() %>% cor()
## vol_vm_oro vol_ewma_oro vol_arch_oro vol_garch_oro

## vol_vm_oro 1.0000 0.8526 0.2266 0.8782
## vol_ewma_oro 0.8526 1.0000 0.3770 0.9984
Adicionalmente, podemos recuperar el conjunto de volatilidades
directamente de la lista de modelos realizada anteirormente.
vols_models <- map(models,"sigma.t")
vols_models2 <- do.call(cbind, vols_models)
head(vols_models2)
## [,1] [,2] [,3]

## [1,] 0.009865 0.009929 0.009929
## [2,] 0.009174 0.009727 0.009675
## [3,] 0.009817 0.009752 0.009703
## [4,] 0.009548 0.009689 0.009642
## [5,] 0.009062 0.009463 0.009418
## [6,] 0.009041 0.009239 0.009195
cor(vols_models2)
## [,1] [,2] [,3]

## [1,] 1.0000 0.4509 0.4509
Comparando estrategias: bucles

select_gacrch <- c()
for (iar in 1:3){
for (igar in 1:3){
fit<-garchFit(substitute(~arma(1,0)+garch(p,q),
list(p=iar,q=igar)),data=r_oro,trace=F)
model <- paste("GACRH(",iar,",",igar, ")",sep="")

select_gacrch=rbind(select_gacrch,data.frame(model,fit@fit$ics[1]))
} }
head(select_gacrch)
## model fit.fit.ics.1.
## AIC GACRH(1,1) -6.718
## AIC1 GACRH(1,2) -6.723
## AIC2 GACRH(1,3) -6.725
## AIC3 GACRH(2,1) -6.718
## AIC4 GACRH(2,2) -6.723
## AIC5 GACRH(2,3) -6.725
GARCH asimétricos
Section 6
GARCH asimétricos

GARCH asimétricos
GARCH asimétricos: gjr GARCH
Nelson (1991), descubrió que la volatilidad podía responder de forma

asimétrica a errores pasados, en función de su signo. Por ejemplo,
los rendimientos negativos parecían ser predictores de volatilidades
más importantes que los positivos.
Esta asimetría fue modelizada por Glosten, Jagannathan y Runkle
(GJR, 1993), quienes propusieron la ecuación siguiente, conocida
como GJR − GARCH:
q h i p
α1 ε2t−i + γ1 1−
X X
σt2 = ω + 2
(εt ≤0) εt−i +
2
β1 σt−1
I=1 I=1

GARCH asimétricos
GARCH asimétricos: gjrGARCH garchFit
q h i p
γ1 1−
X X
σt2 =ω+ α1 ε2t−i + 2
(εt ≤0) εt−i + 2
β1 σt−1
I=1 I=1
models[[4]] <- garchFit(.~arma(1,0)+aparch(1, 1), trace=FALSE, data = r_oro

delta = 2, include.delta = F, leverage = TRUE)
coef(models[[4]])
## mu ar1 omega alpha1 gamma1

## 0.0000867946 -0.0007908648 0.0000002634 0.0529208772 -0.1745594053
## beta1
## 0.9464183889

GARCH asimétricos
GARCH asimétricos: APARCH-GARCH garchFit
σtδ = ω + α [|εt−1 | − γεt−1 ]δ + β1 σt−1

δ
ARCH δ = 2, γ = 0, β = 0.
GARCH δ = 2, γ = 0.
gjr − GARCH δ = 2.

GARCH asimétricos
GARCH asimétricos: APARCH-GARCH garchFit
models[[4]] <- garchFit(.~arma(1,0)+aparch(1, 1), trace=FALSE, data = r_oro

delta = 1, include.delta = F, leverage = TRUE)
coef(models[[4]])
## mu ar1 omega alpha1 gamma1 beta1

## 0.00016027 -0.00255516 0.00006571 0.06435423 -0.29300125 0.94713681

GARCH asimétricos
GARCH asimétricos: garchFit

##
## Estimacion de la diversas metodologias GARCH
## ===========================================================
## ---------------------------------------
## r_oro
## (1) (2) (3)
## -----------------------------------------------------------
## mu 0.0003 -0.00001 -0.00000 0.
## (0.033) (0.952) (0.957) (0
##
## ar1 0.0002 -0
## (0.991) (0
##
## omega 0.0001*** 0.00000 0.00000 0.0
## (0.000) (0.00002) (0.00002) (0
GARCH asimétricos
Threshold ARCH (TARCH)

GARCH asimétricos
Threshold ARCH (TARCH)

##
## ===========================================================
## ---------------------------------------
## r_oro
## (1) (2) (3)
## -----------------------------------------------------------
## mu 0.0003 -0.00001 -0.00000 0.
## (0.033) (0.952) (0.957) (0
##
## ar1 0.0002 -0
## (0.991) (0
##
## omega 0.0001*** 0.00000 0.00000 0.0
## (0.000) (0.00002) (0.00002) (0
GARCH asimétricos
GARCH asimétricos: ugarchfit
garchspec3 <- ugarchspec(mean.model = list(armaOrder = c(1,0)),

variance.model = list(model = "gjrGARCH"),
distribution.model = "norm")
# garchFit(~garch(1,1),data=roro,delta=2,leverage=T,trace=F,include.mean=F)
fit3_a <- ugarchfit(data = roro, spec = garchspec3)
coef(fit3_a)
## mu ar1 omega alpha1 beta1

## 0.0000690880 -0.0004810135 0.0000003051 0.0701841855 0.9464166694
## gamma1
## -0.0352017841

GARCH asimétricos
GARCH asimétricos: curva de noticia

# Curva de nuevas noticias
res1 <- models[[2]]@residuals
sigma1 <- models[[2]]@sigma.t
res2 <- models[[4]]@residuals

sigma2 <- models[[4]]@sigma.t
# Curva de impact new -------------

dataCurve <- data.frame(volgarch=sigma1,res1,lagres=dplyr::lag(res1,1),
volgjr=sigma2,res2,lagres2=dplyr::lag(res2,1))
head(dataCurve)
## volgarch res1 lagres volgjr res2 lagres2

## 1 0.009929 -0.004321 NA 0.0001651 0.000000 NA
## 2 0.009727 0.009886 -0.004321 0.0002221 0.009710 0.000000
## 3 0.009752 0.008143 0.009886 0.0010840 0.008002 0.009710
## 4 0.009689 -0.002746 0.008143 0.0017583 -0.002891 0.008002
## 5 0.009463 -0.002339 -0.002746 0.0018625 -0.002512 -0.002891
## 6 0.009239 -0.003868 -0.002339 0.0019441 -0.004040 -0.002512
GARCH asimétricos
GARCH asimétricos: curva de noticia
ggplot(dataCurve,aes(x=lagres,y=volgarch)) +
geom_smooth(aes(color = "GARCH"),span = 0.9, se=F) +
geom_vline(xintercept = 0, size=0.1) +
labs(x = "Residuo (t-1)", y = "Volatilidad condicional (t)") +
geom_smooth(aes(x=lagres2,y=volgjr, color = "gjr-GARCh"), se=F) +
theme(legend.position="bottom")
0.030
Volatilidad condicional (t)
0.025
0.020
0.015
0.010
−0.10 −0.05 0.00 0.05

Residuo (t−1)
colour GARCH gjr−GARCh

GARCH no gaussianos
Section 7
GARCH no gaussianos

GARCH no gaussianos
GARCH no gaussianos: garchFit
el argumento cond.dist de la función garchFit, permite ajustar la

función de distribución asociada al GARCH:
models[[6]] <- garchFit(.~arma(1,0)+aparch(1, 1), trace=FALSE,

cond.dist = "std", delta = 2, include.
coef(models[[6]])
## mu ar1 omega alpha1

## 0.0001394857 -0.0318410328 0.0000001638 0.0585710661 -0.
## beta1 shape
## 0.9478996997 3.6805777847

GARCH no gaussianos
GARCH no gaussianos: garchFit

##
## ===========================================================
## Dependent vari
## ---------------------------------------
## r_oro
## ARCH~n GARCH~n Ar-GARCH~n Ar-
## (1) (2) (3)
## -----------------------------------------------------------
## mu 0.0003 -0.00001 -0.00000 0.
## (0.033) (0.952) (0.957) (0
##
## ar1 0.0002 -0
## (0.991) (0
##
## omega 0.0001*** 0.00000 0.00000 0.0
GARCH no gaussianos
GARCH no gaussianos: ugarchfit

resid_estd <- residuals(fit2_a, standardize = TRUE)
resid_estd <- (roro - fitted(fit2_a)) / sigma(fit2_a)
# garchFit(~garch(1,1),data=roro,cond.dist="std",trace=F,include.mean=F)
garchspec1 <- ugarchspec(distribution.model = "sstd")
fit3_a <- ugarchfit(data = roro, spec = garchspec1)
show(fit3_a)
##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : sGARCH(1,1)
## Mean Model : ARFIMA(1,0,1)
## Distribution
Clase 2
: sstd Econometría Financiera 26 mayo de 2022 67 / 78
forecast volatilidades
Section 8

ARMA-GARCH: forecast volatilidades

predict.h<-predict(models[[5]],n.ahead=4)
fGarch::predict(models[[5]],n.ahead=50,plot=TRUE)
Prediction with confidence intervals

0.00
^
Xt+h
x
^
Xt+h − 1.96 MSE
^
Xt+h + 1.96 MSE
−0.10
0 500 1000 1500
Index
## meanForecast meanError standardDeviation lowerInterval upperInterval

## 1 0.00008576 0.006525 0.006525 -0.01270 0.01287
## 2 0.00008673 0.006548 0.006548 -0.01275 0.01292
## 3 0.00008673 0.006571 0.006571 -0.01279 0.01297
## 4 0.00008673 0.006594 0.006594 -0.01284 0.01301
## 5 0.00008673
Clase 2 0.006618 Econometría Financiera
0.006618 -0.01288
26 mayo de 2022 0.01306
69 / 78
ARMA-GARCH: forecast volatilidades
sqrt(uncvariance(fit2_a))
## [1] 0.01706
sigma(ugarchforecast(fitORspec = fit2_a, n.ahead = 7))
## 2014-09-09
## T+1 0.006926
## T+2 0.006943
## T+3 0.006961
## T+4 0.006978
## T+5 0.006996
## T+6 0.007013
## T+7 0.007031

Validación
Section 9
Validación

Validación
Validación del GARCH
likelihood(fit3_a)
## [1] 20944
infocriteria(fit3_a)
##
## Akaike -6.850
## Bayes -6.841
## Shibata -6.850
## Hannan-Quinn -6.847

Validación
res = residuals(fit_garch, standardize = T)^2

ggtsdisplay(res)
75
50
25
0
0 1000 2000 3000 4000 5000 6000
0.09 0.09
0.06 0.06
PACF
ACF
0.03 0.03
0.00 0.00
−0.03 −0.03
0 10 20 30 0 10 20 30
Lag Lag

Validación
plot(fit_garch, which= 13) #13=qqplot which= "all"
qnorm − QQ Plot
10
5
Sample Quantiles
0
−5
−4 −2 0 2 4
Theoretical Quantiles

Validación

La media del error cuadrático medio:
T
1 X
MSE = (e 2 − σ̂t2 )
T t=1 t
garchresiduo <- residuals(fit2_a)
gjrresiduo <- residuals(fit3_a)
# MSE
mean(garchresiduo^2)
## [1] 0.00009827
# MSE varianza
mean((garchresiduo^2)^2 - sigma(fit2_a)^2)
## [1] -0.000102
mean((gjrresiduo^2 - sigma(fit3_a)^2 )^2)

Validación
Adicionalmente es necesario validar los supuestos realizados. Dado

h0 : ρi = 0, al 5 de significancia podemos indicar el el gjr-GARCH es
válido:
r_gjrgarch <- residuals(fit3_a, standardize = TRUE)
Box.test(r_gjrgarch, type = "Ljung-Box")
##
## Box-Ljung test
##
## data: r_gjrgarch
## X-squared = 15, df = 1, p-value = 0.00008

Referencias
Section 10
Referencias

Referencias
Referencias
Colonescu., C. (2016). Principles of Econometrics with R.

Freitas, Hedibert (2018). Modeling heteroskedasticity: GARCH modeling.
Ghalanos, Alexios (2020). Introduction to the rugarch package.
Kelepouris, D.; Kelepouris, I. (2019). Value at Risk estimation using GARCH
model
Kleiber, C.; Zeileis, A. (2017). Applied Econometrics with R. – Financial
Econometrics.
Kotzé, K. (s.f.d). Volatility Models. Conditional Heteroscedastic Model.
Novales, Alfonso (2013). Modelos de volatilidad. Departamento de Economía
Cuantitativa, UCM. Madrid.
Stehlíková, Beáta. (nd). Modelling volatility - ARCH and GARCH models.

Modelos de volatilidad condicional ARCH y GARCH

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modelos de volatilidad condicional ARCH y GARCH

Cargado por

Copyright:

Formatos disponibles

Econometría Financiera

Clase 2. Modelos de volatilidad condicional

Nerys Ramírez Mordán

Instituto Tecnologico de Santo Domingo (INTEC)

Clase 2 Econometría Financiera 26 mayo de 2022 1 / 78

Clase 2 Econometría Financiera 26 mayo de 2022 2 / 78

Clase 2 Econometría Financiera 26 mayo de 2022 3 / 78

Hasta ahora, hemos tratado la autocorrelación de las series a partir de

Clase 2 Econometría Financiera 26 mayo de 2022 4 / 78

La varianza como medida de riesgo

Según Bahi (2007), la volatilidad es una medida de la intensidad de

Clase 2 Econometría Financiera 26 mayo de 2022 5 / 78

La varianza como medida de riesgo

La varianza como medida de riesgo

La varianza computa como riesgo cambios de nivel o efectos

Clase 2 Econometría Financiera 26 mayo de 2022 7 / 78

Clase 2 Econometría Financiera 26 mayo de 2022 8 / 78

Ahora la idea es, cuando yt carece de autocorrelación:

- Si yt presenta alguna estructura, de otras variables o su pasado, la

Ahora la σt2 depende del tiempo.

Clase 2 Econometría Financiera 26 mayo de 2022 9 / 78

El primer paso es siempre estudiar las características de las series,

– Ausencia de estructura regular dinámica en la media.

Clase 2 Econometría Financiera 26 mayo de 2022 10 / 78

La inspección visual de la serie, muestra claramente que esta no se

# Códigos bases continuan de la clase 1

Clase 2 Econometría Financiera 26 mayo de 2022 11 / 78

Transformación logarítmica para estabilizar la varianza.

# Códigos bases continuan de la clase 1

Clase 2 Econometría Financiera 26 mayo de 2022 12 / 78

diff(log(xts_precio), differences=1)^2 %>%

Clase 2 Econometría Financiera 26 mayo de 2022 13 / 78

g2 <- data.frame(roro) %>%

ggarrange(g1, g2, ncol = 2, nrow = 1)

ARCH Engle’s Test For Residual Heteroscedasticity

Engle (1982) propuso un test de estructura ARCH(q) a partir de la

Donde, la varianza del error depende del término de error cuadrado

Clase 2 Econometría Financiera 26 mayo de 2022 16 / 78

FinTS::ArchTest(roro^2, lags=1, demean=TRUE)

Clase 2 Econometría Financiera 26 mayo de 2022 17 / 78

ARCH Engle’s Test For Residual Heteroscedasticity

Clase 2 Econometría Financiera 26 mayo de 2022 18 / 78

ARCH Engle’s Test For Residual Heteroscedasticity

## order PQ p.value LM p.value

Clase 2 Econometría Financiera 26 mayo de 2022 19 / 78

# Usando la indexación date de la clase 1

Modelos de volatildiad condicional

Clase 2 Econometría Financiera 26 mayo de 2022 21 / 78

(Rolling volatility estimation) rota las observaciones, agregando la

Clase 2 Econometría Financiera 26 mayo de 2022 22 / 78

apply es una familia de funciones vectorizadas en R, para trabajar

vol_vm_oro <- rollapply(roro, width=66, FUN=sd)

vol_vm_oro 1991−04−05 / 2014−09−09

Clase 2 Econometría Financiera 26 mayo de 2022 23 / 78

Rolling 22−day sd.annualized 1991−04−05 / 2014−09−09

Clase 2 Econometría Financiera 26 mayo de 2022 24 / 78

par(mfrow = c(1, 3))

Rolling 5−day sd.annualized

Clase 2 Econometría Financiera 26 mayo de 2022 25 / 78

La idea de considerar el peso de las observaciones según su posición

Donde αi es la ponderación asociada a la observación de hace i

Clase 2 Econometría Financiera 26 mayo de 2022 26 / 78

EWMA Risk metrics

for (i in 2:tobs) {varEWMA[i]<-lambdavarEWMA[i-1]+(1-lambda)(roro[i-1]^2)